基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

高分辨率遥感影像自动分类方法研究

近年来,高分辨率遥感影像在土地利用分类工作中被广泛使用,采用计算机自动分类的方法可以提高分类的工作效率.该文讨论了自动分类处理的流程,自动分类的主要方法,列举了典型的分类案例,分析自动分类中存在的困难,并提出了解决的思路.     

基于极化SAR和光学影像特征的土地覆盖分类

为了更好地利用多源遥感影像参与土地覆盖分类,采用一种基于合成孔径雷达(SAR)影像和光学影像相结合的特征分析及筛选方法.该方法在对光学影像和SAR影像的各类特征变量进行可分性分析后,使用随机森林算法对其组成的高维变量空间进行降维筛选,将筛选出的特征变量用于土地覆盖分类,并对实验结果进行分析比较.实验结果表明:利用随机森...     

基于高分辨率遥感影像的植被信息提取

本文利用面向对象影像分析的方法在eCognition的软件平台上,对中南大学校本部及周边地区的QuickBird快鸟遥感影像进行预处理,多尺度分割,然后利用隶属度函数分类,提取植被信息,计算植被覆盖率。分类总体精度达到85.8%,分类稳定性好,可信度和分类效果都很好。     

森林植被遥感分类研究

首先对森林植被类型识别方法的研究概况进行了综述,在总结国内外研究成果的基础上,提出采用植被指数进行植被分类,根据长春净月潭地区植被层反射率数据以及土壤线方程,ＮＩＲ＝１．５０６Ｒ＋０．００７８６,通过对多种植被指数的计算与分析,得出植被指数与植被类型的关系,最易于区分阔地林与针叶林的是ＰＶＩ,其次为ＴＳＡＶＩ和ＭＳＡＶＩ,但后者计算较复杂,不同针对树种间的ＲＶＩ差值较大,因此采用ＲＶＩ来区分各针树     

基于面向对象的遥感影像植被信息提取

主要介绍了基于面向对象的遥感影像分类方法,借用eCognition软件通过设置不同分割尺度参数及特征值,进行了一个分割分类实例试验。结果显示,与传统的基于像元的分类方法相比,面向对象的遥感影像分类方法是具有很好的效果,提交了分类提取的精度。     

基于面向对象分类法的高分辨率遥感滑坡信息提取

运用面向对象分类法中的基于监督分类和基于规则的滑坡识别方法,选择合适的特征属性,利用Aster和Geoeye的融合影像对构林坪流域进行滑坡信息提取,并对分类结果进行精度评价和比较.结果表明:基于监督分类的滑坡信息提取总体精度为66.58%,Kappa系数为0.65,具有较高的分类精度;基于规则的滑坡信息提取方法也取得了84.7%的识别结果,但是区域特殊地形地貌和引发滑坡因子的复杂性导致了72.6%的分歧因子.总体上基于面向对象分类法的高分辨率遥感滑坡信息提取在白龙江流域具有良好的适用性.     

基于密集连接的高分辨率遥感图像分类

高分辨率遥感图像分类是当前一个研究热点，基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域，但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构，将Deeplab的空洞卷积金字塔结构替换成密集连接结构，以提高信息利用率且增强模型的泛化能力，并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明，Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点，验证了本模型的有效性。     

基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

高分辨率遥感影像分割提取构筑物评估

面向对象的影像分析已成为针对高分辨率遥感影像信息提取和行业应用的一种先进方法.该方法的实用效果,基础和关键在于对影像中所关注地物目标的影像分割提取效果.针对高分辨率遥感影像地面构筑物的提取,采用经验性符合统计比较法,把自动分割结果与人工分割提取的地面构筑物区域轮廓相对符合程度分为3个等级:良好、可以接受和不可接受,对当前应用广泛的两种多尺度影像分割方法进行了地面构筑物分割提取效果评估.     

基于BP神经网络的遥感影像分类方法

为了消除传统的遥感影像分类所带来的模糊性和不确定性,采用BP神经网络进行遥感影像分类.利用MatLab软件构建BP网络遥感影像分类算法,通过对BP网络算法进行改进,采用动量-自适应学习速率调整算法克服了网络训练速度慢、不易收敛到全局最优等缺点.对一幅全色遥感图像通过300次训练后,输出能真实反映地类的影像图.其分类总精度为86.67%,Kappa系数为0.82,分类精度能够满足遥感图像分类的需要.     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于多随机场遥感图像分割

结合二维Wold分解技术来对遥感图像进行分割，将图像分解为确定性随机场和纯不确定性随机场，通过调整它们之间的比例关系，来加强纹理边缘，从而改善马尔可夫标记场模型对纹理边缘过平滑的现象．实验对城区目标进行提取，结果表明本方法的有效性优于纯马尔可夫随机场所采取的分割方法．     

基于改进的最小二乘支持向量机的高光谱遥感图像分类

支持向量机因其适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法.核函数是支持向量机的核心,核函数分为局部核函数与全局核函数两大类,不同的核函数将产生不同的分类效果.核函数也是支持向量机理论中比较难理解的一部分.在基本核函数中引入光谱匹配识别中的典型方法--光谱角度匹配法(SAM法),兼顾到光谱亮度与光谱向量方向的距离测度,结合最小二乘支持向量机,通过与传统SVM分类方法的比较,证明这种方法的有效性.     

基于JSEG改进算法的高分辨率遥感影像分割

高分辨率遥感图像中细节信息丰富、地物几何结构明显,对JSEG算法进行了改进,使其对高分辨率遥感图像分割可以取得更合理的结果。算法使用增量式的生长方式完成初始分割,并综合使用颜色和形状信息对过分割区域进行合并。实验表明,改进后的算法符合高分辨率遥感图像的特点,可以得到更好的效果。     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

基于CBERS-04遥感影像的朗玛村地区岩土分类

为了探索国产陆地探测卫星遥感影像的岩土识别性能,基于CBERS-04遥感影像光学特性分析,应用多种传感器遥感影像进行了青藏高原朗玛村地区的岩土分类研究。对比分析了CBERS-04与Landsat-8陆地成像仪(OLI)数据岩土分类及协同岩土分类的效果,并依据1∶250 000基础地质图和野外地质调查进行了验证分析。结果证实CBERS-04相对Landsat-8OLI的遥感影像岩性分类精度略低,但仍具有较高的分类精度,辅助人工地质解译基本满足中比例尺岩土分类和地质调查图编绘的需要。2种数据源的空间分辨率和光谱分辨率较为相似,且具有互补性,其协同分类可提高岩土分类的精度。     

一种粒度思想的遥感特征信息识别方法

为了快速分析遥感图像特征信息,结合覆盖分类算法提出了一种商空间理论方法,其中灵活运用商空间理论的分解方法和合成技术来指导遥感图像信息的提取和整合,覆盖算法能快速精确地挖掘出有限信息的本质,为分类提取提供保障.以汶川特大地震后的高级星载热辐射热反射探测仪(ASTER)遥感图像为例进行了实验分析,证实了该方法是快速、精确有效的,可以大大减少遥感图像信息处理的工作量.     

遥感影像分类方法的研究

该文基于ERDAS的KnowledgeEngineer分类方法原理,提出一种多信息源、智能化、程序化的阈值分类技术,利用空间模型语言SML（SpatialModelerLanguage）编程实现遥感影像的分类,进而克服了传统分类方法只能针对单一信息源的局限。研究工作以1999年ETM＋遥感影像临港新城为例,将该方法与传统的监督分类方法进行比较和精度评价。结果表明,阈值分类法比监督分类法分类精度高,指标Kappa系数由0.6109提高到0.8204。该方法可通过模块实现多信息源的调用,从已分类图像中提取确认的分类信息,达到一定的智能化,减少人为的重复性操作。